CN112188442B - 基于移动边缘计算的车联网数据驱动任务卸载系统和方法 - Google Patents

基于移动边缘计算的车联网数据驱动任务卸载系统和方法 Download PDF

Info

Publication number
CN112188442B
CN112188442B CN202011277394.7A CN202011277394A CN112188442B CN 112188442 B CN112188442 B CN 112188442B CN 202011277394 A CN202011277394 A CN 202011277394A CN 112188442 B CN112188442 B CN 112188442B
Authority
CN
China
Prior art keywords
vehicle
computing
server
data
mec server
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011277394.7A
Other languages
English (en)
Other versions
CN112188442A (zh
Inventor
戴朋林
胡凯文
吴晓
邢焕来
罗寿西
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202011277394.7A priority Critical patent/CN112188442B/zh
Publication of CN112188442A publication Critical patent/CN112188442A/zh
Application granted granted Critical
Publication of CN112188442B publication Critical patent/CN112188442B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/40—Transportation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/20—Information sensed or collected by the things relating to the thing itself
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y30/00—IoT infrastructure
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/30—Control
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/50—Safety; Security of things, users, data or systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5017—Task decomposition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/502—Proximity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/509—Offload

Landscapes

  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Bioethics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Toxicology (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于移动边缘计算的车联网数据驱动任务卸载系统和方法，包括：应用层、车辆层、MEC层和云层。应用层包括数据感知管理、ITS服务管理和道路安全管理；车辆层包括：感知车辆和计算车辆。感知车辆收集各类交通数据并卸载给计算服务器计算，计算车辆为V2V通信范围内的子任务提供计算服务；MEC层包括：MEC服务器和RSU，MEC服务器作为计算服务器和本地调度器部署在RSU附近；云层包括云服务器和主干网，车辆可以通过蜂窝接口将其子任务卸载到云服务器。本发明的优点是：降低了数据驱动任务的服务延迟及服务花费，并且任务卸载架构是分布式的，能够有效降低任务卸载调度的决策时间，提高资源的利用率。

Description

基于移动边缘计算的车联网数据驱动任务卸载系统和方法
技术领域
本发明涉及车联网技术领域，特别涉及一种基于移动边缘计算的车联网数据驱动任务卸载系统和方法。
背景技术
目前，随着物联网技术和5G无线通信技术的快速发展，车联网领域涌现了大量的新型应用，如自动驾驶、视频监控和交通控制等。这些与智能交通系统相关的应用首先需要收集大量的环境数据，如道路网络信息、实时交通信息、车辆行驶信息等，然后在这些数据的基础上，由车辆或者其他感知设备进行相应的处理，如人脸识别、目标检测、交通预测等，因此这些应用都是基于数据驱动并且计算密集的。然而车辆的计算能力有限，难以满足它们对计算资源和延迟的要求。云计算的出现在一定程度上缓解了这种状况，云端集成了大量具备强大计算能力的服务器，通过将一部分计算任务卸载给云，可以减少应用运行的延迟。但是，云端远离车辆，这必然导致过高的通信延迟。
近几年，移动边缘计算(MEC)已经成为了一种支持实时、计算密集型应用的有效范式。通过将MEC服务器从云端迁移到道路网络附近，极大地缩短了车辆和服务器之间的距离，有效地减少了应用与服务器之间的通信延迟。然而MEC服务器的计算资源和通信资源仍然有限，并且由于车联网的一些特性，如动态的网络拓扑结构、车辆的高速移动以及不均匀的车辆分布等，使得任务在卸载过程中，可能会受到无法预测的通信延迟以及服务器之间不均衡的工作负载的影响。为了充分地利用车辆、MEC服务器和云的资源，需要将他们集中在一种系统架构中进行考虑，同时有必要在这个架构的中对任务卸载机制进行研究。
现有技术一
粒子群优化算法(PSO)S.Dai,M.Li Wang,Z.Gao,L.Huang,X.Du and M.Guizani,"An Adaptive Computation Offloading Mechanism for Mobile Health Applications,"in IEEE Transactions on Vehicular Technology,vol.69,no.1,pp.998-1007,Jan.2020,doi:10.1109/TVT.2019.2954887。
现有技术一的缺点
1.粒子群算法的精度较低，易发散等；
2.若加速系数、最大速度等参数太大，粒子群可能错过最优解，算法不收敛；
3.在收敛的情况下，由于所有的粒子都向最优解的方向飞去，所以粒子趋向同一化(失去了多样性)，使得后期收敛速度明显变慢，同时算法收敛到一定精度时，无法继续优化，所能达到的精度也不高。
4.不能适应动态变化的任务卸载环境，在每一次任务卸载调度过程中都需要重新运行算法，时间复杂度高，效率低下。
现有技术二
启发式算法M.Gong and S.Ahn,"Computation Offloading-Based TaskScheduling in the Vehicular Communication Environment for Computation-Intensive Vehicular Tasks,"2020International Conference on ArtificialIntelligence in Information and Communication(ICAIIC),Fukuoka,Japan,2020,pp.534-537,doi:10.1109/ICAIIC48513.2020.9064975。
现有技术二的缺点
1.启发式算法的表现不稳定；
2.启发式算法的好坏依赖于实际问题、经验和设计者的技术；
3.启发式算法不能适应动态变化的任务卸载环境，在每一次任务卸载调度过程中都需要重新运行算法，效率低下。
发明内容
本发明针对现有技术的缺陷，提供了一种基于移动边缘计算的车联网数据驱动任务卸载系统和方法，解决了现有技术中存在的缺陷。
为了实现以上发明目的，本发明采取的技术方案如下：
一种基于移动边缘计算的车联网数据驱动任务卸载系统的卸载方法，其特征在于：卸载方法在车联网数据驱动任务卸载系统上实现；
所述车联网数据驱动任务卸载系统，其特征在于，包括：应用层、车辆层、MEC层和云层；
所述应用层包括：数据感知管理模块、ITS服务管理模块、道路安全管理模块；
ITS服务管理模块包括：交通信号控制、异常车辆检测和交通流预测；ITS服务是数据驱动的任务，需要处理分布在道路网络中的感知车辆收集的交通数据；基于数据分布，将数据驱动任务划分为多个子任务；每个子任务与感知车辆感知到的一组交通数据相关联，并且可以并行处理；只有计算了所有子任务的结果后，才能完成任务；
数据感知管理模块包括：压缩感知、异常数据检测、用户认证和隐私保护；数据感知管理模块对收集来的数据进行分析和处理；其中，压缩感知能够以低采样频率来重建稀疏信号；异常数据检测能够对车联网中的数据进行检测，去除异常危险数据并且提高信息精度，以保证相关设备的安全；用户认证和隐私保护来保证车联网中信息的可认证性、完整性、不可否认性和私密性；
道路安全管理模块包括：气象信息采集、交通信息采集和紧急信息采集；道路安全管理模块能够提高安全管理的自动化水平，实现对道路交通的实时监控，降低道路安全事故的发生率；其中，气象信息采集用于采集实时的气象状况，对道路行驶速度做出限制；交通信息包括车辆占有率、道路交通量、车头时距、车长、车速和交通密度，通过对这些交通信息的采集,能够为道路使用情况分析提供有力的依据；道路交通运行过程中,有时会遇见紧急情况,主要包括交通事故和自然灾害，通过对此类紧急信息的收集，能够提醒附近车辆，有效缓解交通拥堵和避免人员伤亡；
所述车辆层包括：感知车辆和计算车辆；
感知车辆配备了传感器，能够收集交通数据，可以缓存与几种类型的子任务相关联的数据集，这些数据集必须通过无线通信卸载到附近的计算服务器进行处理；
计算车辆用于提供计算服务；计算车辆拥有一个处理器，为V2V通信范围内的子任务进行计算；每次最多允许一个子任务卸载到一辆计算车辆上；
所述MEC(移动边缘计算)层包括：MEC服务器和RSU(路侧单元)；
MEC服务器配备了一个计算服务器并部署在RSU附近；MEC服务器同时扮演两个角色：计算服务器和本地调度器；作为计算服务器，MEC服务器能够同时处理通过V2I无线通信卸载的多个等待任务；由于车辆的移动性，子任务必须在V2I连接时间内完全上传；作为本地调度器，MEC服务器负责对每个子任务做出卸载决策，包括卸载服务器的选择、无线带宽和计算资源的分配，其中MEC服务器通过检测感知车辆定期广播的心跳消息检索相关任务信息；
所述云层包括：云服务器和主干网，云服务器部署在主干网中，车辆可以通过蜂窝接口将其子任务卸载到云服务器；对于V2I覆盖范围之外的子任务，或者在与MEC服务器或计算车辆的连接时间内未能完成上传的子任务，它们必须选择云作为卸载服务器；
所述卸载方法包括以下步骤：
步骤1，DQN模型中强化学习的基本元素设计；
a.系统状态：由于V2V通信范围有限，假设每个感知车辆最多有n辆计算车辆可供卸载；然后，将当前等待卸载的子任务rv在时间t的系统状态定义为多维向量，其公式如下：
Figure GDA0003286962090000051
其中，
Figure GDA0003286962090000052
和
Figure GDA0003286962090000053
表示rv的数据量大小和所需的计算资源；Dtotal表示调度前等待卸载的子任务的总数据量，Dload表示已经卸载到m的工作负载，bm,fm分别代表MEC服务器的总带宽和总计算资源，
Figure GDA0003286962090000054
分别是计算车辆v′i的带宽和计算资源；
b.动作空间：它被定义为可用于等待卸载的子任务rv的候选计算服务器集；具体来说，采用one-hot编码来表示动作，该动作被表示为一个n+2维二进制向量，如等式所述：
Figure GDA0003286962090000055
其中
Figure GDA0003286962090000056
表示子任务rv是否卸载，上标m,c,vi′分别表示对MEC服务器m,云和计算车辆vi′的卸载选择，该值等于1表示选择它进行卸载，等于0表示不选择；
c.奖励函数：奖励函数的基本原理是，行动所带来的服务时间和成本越低，奖励就越高；如果子任务能够在连接时间内成功完成，则奖励被定义为子任务的服务时间和成本的加权和与常数M1倒数的乘积；否则，奖励被定义为负值，表示惩罚，用-M2表示；奖励函数的公式如下：
Figure GDA0003286962090000061
其中
Figure GDA0003286962090000062
分别表示子任务rv的服务延迟和服务花费，lv{v′,m}代表了感知车辆v与计算车辆v′或MEC服务器m的连接时间，η1,η2是服务延迟和服务花费的权重；
步骤2，基于凸优化的最优资源分配；
基于ADQN，可以预先得到所有子任务的卸载选择A；因此，无线资源的优化模型只与资源分配有关，可以定义为如下；
Figure GDA0003286962090000063
其中，X,Y,F分别代表MEC服务器的带宽资源分配X、计算资源分配Y以及云的计算资源分配F；
Figure GDA0003286962090000064
表示MEC服务器m为rv分配的无线V2I带宽比率，
Figure GDA0003286962090000065
表示m分配给rv的计算资源比率，tm是m的处理器的数量，
Figure GDA0003286962090000066
代表云分配给rv的计算资源；Eq.(1a)表示分配的带宽总和不能超过总的带宽，Eq.(1b)意味着分配的计算资源总和不能超过m的最大计算能力。
进一步地，云的计算资源分配
关于F的第一个子模型涉及云的计算资源分配，其公式如下：
Figure GDA0003286962090000067
其中ωc表示从云租用计算资源的单位成本，通过找到梯度g1等于零的解，即
Figure GDA0003286962090000071
可以得到最优解。为每个卸载到云的rv分配的最佳计算资源可以通过下式计算得出：
Figure GDA0003286962090000072
进一步地，无线带宽资源分配
关于变量X的第二个子模型涉及无线V2I带宽分配，其公式如下：
Figure GDA0003286962090000073
其中
Figure GDA0003286962090000074
表示子任务rv上传给MEC服务器m的传输时间，可以观察到与MEC服务器相关的变量是相互独立的，子模型Eq.(4)可以进一步划分为多个简单模型，每个模型只与一个MEC服务器m相关，如下所示:
Figure GDA0003286962090000075
其中，Rm表示MEC服务器m覆盖范围内的所有子任务，Xm表示与MEC服务器m关联的X中的变量。显然，等式Eq.(5)中的目标是凸的，等式Eq.(5)中的约束是线性的。因此，Eq.(5)是一个凸优化模型。根据KKT条件，得到如下公式：
Figure GDA0003286962090000076
通过求解方程组，可以得到每个等待卸载的子任务rv的无线带宽分配的最优解，如下所示：
Figure GDA0003286962090000081
进一步地，MEC服务器的计算资源分配；
关于变量Y的第三个子模型涉及MEC服务器的计算资源分配，公式如下：
Figure GDA0003286962090000082
其中
Figure GDA0003286962090000083
分别代表子任务rv卸载给MEC服务器m的计算延迟和计算花费，与子模型Eq.(4)类似，子模型Eq.(8)也可以分解为多个简单模型，每个模型只与一个MEC服务器m相关联，如下所示。
Figure GDA0003286962090000084
其中
Figure GDA0003286962090000085
表示与MEC服务器m关联的Y中的变量。基于KKT条件，我们可以得到两个备选解。对于第一种情况，其中对偶变量λm＝0，其解如下所示：
Figure GDA0003286962090000086
其中ωm表示从MEC服务器m租用计算资源的单位成本，对于第二种情况：对偶变量λm≠0，其解如下所示：
Figure GDA0003286962090000091
其中，变量λm可以通过二分法快速求解出来。显然，第三个子模型的最优解是方程Eq.(10)和Eq.(11)中两个解中的一个。
与现有技术相比，本发明的优点在于：
1.有效的利用了MEC服务器、云和计算车辆的资源，并且通过ADQN算法及推导出的最优资源分配解析式，降低了数据驱动任务的服务延迟及服务花费；
2.ADQN算法能够从以往的卸载经验中进行学习，适应动态变化的任务卸载环境，最终收敛到一个较好的解。
3.任务卸载架构是分布式的，能够有效的降低任务卸载调度的决策时间，提高资源的利用率。
附图说明
图1是本发明实施例任务卸载系统结构图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本发明做进一步详细说明。
如图1所示，基于移动边缘计算的车联网数据驱动任务卸载系统，包括：应用层、车辆层、MEC层和云层；
在应用层，在车辆网络中部署着各种智能交通服务(ITS)，如交通信号控制、异常车辆检测、交通流预测等。这些ITS服务应该是基于数据驱动的任务，需要处理分布在道路网络中的感知车辆收集的交通数据。因此，基于数据分布，将数据驱动任务划分为多个子任务。每个子任务与感知车辆感知到的一组交通数据相关联，并且可以并行处理。只有计算了所有子任务的结果后，才能完成任务。利用基于MEC的服务架构优势，可以将子任务卸载到附近的计算服务器上，而无需在云端集中处理，大大减少了传输时间，提高了计算效率。在本发明中，任务卸载过程包括任务传输和计算，而计算结果的返回时间因其较小而被忽略。
在车辆层，移动车辆分为两类：感知车辆和计算车辆。一方面，感知车辆配备了各种传感器，能够收集各类交通数据，可以缓存与几种类型的子任务相关联的数据集，这些数据集必须通过无线通信卸载到附近的计算服务器进行处理。另一方面，假设计算车辆拥有一个处理器，可以为V2V通信范围内的子任务进行计算。然而，由于计算能力有限以及网络连接不可靠，每次最多允许一个子任务卸载到一辆计算车辆上。因此，计算车辆的租赁成本是最便宜的。
在MEC层，MEC服务器配备了一个计算服务器并部署在RSU附近。每个MEC服务器分别扮演两个角色：计算服务器和本地调度器。作为计算服务器，MEC服务器能够同时处理通过V2I无线通信卸载的多个等待任务。由于车辆的移动性，子任务必须在V2I连接时间内完全上传。因此，对于无线带宽和计算资源的竞争可能发生在多个等待卸载的子任务之间，这将在下面的部分中进行建模。MEC服务器的租赁成本假定高于计算车辆。此外，作为本地调度器，MEC服务器负责对每个子任务进行卸载决策，包括卸载服务器的选择、无线带宽和计算资源的分配，其中MEC服务器通过检测感知车辆定期广播的心跳消息检索相关任务信息。
在云层，云服务器部署在主干网中，并假设其拥有无限的计算资源。车辆可以通过蜂窝接口将其子任务卸载到云服务器。由于基站的广泛部署，车辆可以随时访问云服务器，但必须支付传输成本，传输成本与上传数据集的大小成正比。特别是对于V2I覆盖范围之外的子任务，或者在与MEC服务器或计算车辆的连接时间内未能完成上传的子任务，它们必须选择云作为卸载服务器。此外，车辆还必须支付租赁成本，这与从云端分配的计算资源成比例。在所有类型的计算服务器中，云的租赁成本是最高的。
基于以上的内容，一项任务的完成需要协调任务的卸载选择和异构资源的分配。因此，迫切需要在每个MEC服务器上设计并实现一种分布式机制，通过综合优化车辆层、MEC层和云层的异构无线带宽和计算资源的分配，使服务时间和服务成本最小化。
本发明用到的数学符号表示如下。MEC服务器的集合用M表示。其中的每个MEC服务器m∈M都有一个双元组(pm，bm)，其中pm和bm分别是计算能力和V2I无线带宽。然后，MECm覆盖范围中的车辆集合用Vm表示，它可以分为两类：感知车辆集
Figure GDA0003286962090000111
和计算车辆集
Figure GDA0003286962090000112
因此，与v相邻的感知和计算车辆集分别用
Figure GDA0003286962090000113
和
Figure GDA0003286962090000114
表示。感知车辆
Figure GDA0003286962090000115
有一个缓存的数据集，用Dv表示，这是数据驱动任务所必需的。计算车辆
Figure GDA0003286962090000116
具有异构计算能力pv。
此外，数据驱动任务集用R表示。每个任务r∈R都由两个元组(Dr,crr)表征，其中Dr和crr分别是所需的数据集和计算资源。每个任务r应根据Dr在感知车辆中的分布情况分成多个子任务。具体来说，r的每个子任务rv与感知车辆v缓存的数据集Dv相关联。相应地，所需的数据集
Figure GDA0003286962090000117
由Dr∩Dv表示，所需的计算资源
Figure GDA0003286962090000118
与
Figure GDA0003286962090000119
的大小成比例，即
Figure GDA00032869620900001110
为了简单起见，我们使用||r||和||R||分别表示r中的子任务数和R中的任务数。
另外，每个子任务rv的卸载决策由一组符号
Figure GDA00032869620900001111
表示，其中
Figure GDA00032869620900001112
表示是否将rv卸载到计算服务器l，Nv是v的可用计算服务器集，其公式如下：
Figure GDA0003286962090000121
假设每个子任务是不可分割的，并且只能分配给一个计算服务器，其公式如下：
Figure GDA0003286962090000122
Figure GDA0003286962090000123
我们的解决方案分为两个阶段：任务卸载和资源分配。我们首先在每个MEC服务器端设计了一个异步DQN算法，用于任务卸载。然后，基于分解法和凸优化推导出了资源分配的理论最优解。
1、任务卸载的异步DQN
异步DQN(ADQN)的基本思想是综合A3C和DQN的优点，以实现快速收敛。在ADQN中，每个代理都有一个本地的DQN模型，云中存在一个全局模型。DQN模型中强化学习的基本元素设计如下。
a.系统状态：由于V2V通信范围有限，假设每个感知车辆最多有n辆计算车辆可供卸载。然后，将当前等待卸载的子任务rv在时间t的系统状态定义为多维向量，其公式如下。
Figure GDA0003286962090000124
其中，
Figure GDA0003286962090000125
和
Figure GDA0003286962090000126
表示rv的数据量大小和所需的计算资源。Dtotal表示调度前等待卸载的子任务的总数据量，Dload表示已经卸载到m的工作负载，bm,fm分别代表MEC服务器的总带宽和总计算资源，
Figure GDA0003286962090000127
分别是计算车辆vi'的带宽和计算资源。
b.动作空间：它被定义为可用于等待卸载的子任务rv的候选计算服务器集。具体来说，采用one-hot编码来表示动作，该动作被表示为一个n+2维二进制向量，如等式所示：
Figure GDA0003286962090000131
其中
Figure GDA0003286962090000132
表示子任务rv是否卸载，上标m,c,vi′分别表示对MEC服务器m,云和计算车辆vi′的卸载选择，该值等于1表示选择它进行卸载，等于0表示不选择。
c.奖励函数：奖励函数的基本原理是，行动所带来的服务时间和成本越低，奖励就越高。如果子任务能够在连接时间内成功完成，则奖励被定义为子任务的服务时间和成本的加权和与常数M1倒数的乘积。否则，奖励被定义为负值，表示惩罚，用-M2表示。奖励函数的公式如下：
Figure GDA0003286962090000133
其中
Figure GDA0003286962090000134
分别表示子任务rv的服务延迟和服务花费，lv{v′,m}代表了感知车辆v与计算车辆v′或MEC服务器m的连接时间，η1,η2是服务延迟和服务花费的权重。
ADQN算法基于A3C框架，ADQN的实现过程如下。首先，对于每个智能体，给定一个等待卸载的子任务列表，基于其本地Q网络以迭代方式确定任务卸载选择。生成的经验由(s,a,r,s′)表示，存储在经验池中。第二，每个智能体从经验池中随机获取一批元组，并计算损失及梯度。第三，每个智能体的本地梯度信息通过有线连接异步上传到云端的全局模型中。第四，一旦接收到梯度信息，全局Q网络立即更新，其网络参数被共享给每个局部智能体，即
Figure GDA0003286962090000135
第五，当Q网络的更新次数达到预定的阈值时，Q网络的最新参数θg被复制到目标Q网络的θg′，即θ′g＝θg，然后共享给每个局部智能体，即
Figure GDA0003286962090000136
应当注意，第一到第三步可以同时在每个代理上执行。
2、基于凸优化的最优资源分配
基于ADQN，可以预先得到所有子任务的卸载选择A。因此，无线资源的优化模型只与资源分配有关，可以定义为如下。
Figure GDA0003286962090000141
其中，X,Y,F分别代表MEC服务器的计算资源分配、带宽资源分配以及云的计算资源分配。
Figure GDA0003286962090000142
表示MEC服务器m为rv分配的无线V2I带宽比率，
Figure GDA0003286962090000143
表示m分配给rv的计算资源比率，tm是m的处理器的数量，
Figure GDA0003286962090000144
代表云分配给rv的计算资源。Eq.(12a)表示分配的带宽总和不能超过总的带宽，Eq.(12b)意味着分配的计算资源总和不能超过m的最大计算能力。可以看出Eq.(12)中的变量X、Y和F是相互独立的。而且，由于变量不重叠，Eq.(12)中的三个约束条件Eq.(12a)～Eq.(12c)是可分离的。因此，优化模型可以分解为三个子模型，描述如下。
云的计算资源分配
关于F的第一个子模型涉及云的计算资源分配，其公式如下：
Figure GDA0003286962090000145
其中ωc表示从云租用计算资源的单位成本，通过找到梯度g1等于零的解，即
Figure GDA0003286962090000146
可以得到最优解。为每个卸载到云的rv分配的最佳计算资源可以通过下式计算得出：
Figure GDA0003286962090000147
无线带宽资源分配
关于变量X的第二个子模型涉及无线V2I带宽分配，其公式如下：
Figure GDA0003286962090000151
其中
Figure GDA0003286962090000152
表示子任务rv上传给MEC服务器m的传输时间，可以观察到与MEC服务器相关的变量是相互独立的，子模型Eq.(15)可以进一步划分为多个简单模型，每个模型只与一个MEC服务器m相关，如下所示:
Figure GDA0003286962090000153
其中，Rm表示MEC服务器m覆盖范围内的所有子任务，Xm表示与MEC服务器m关联的X中的变量。显然，等式Eq.(16)中的目标是凸的，等式Eq.(16)中的约束是线性的。因此，Eq.(16)是一个凸优化模型。根据KKT条件[S.Boyd,S.P.Boyd,and L.Vandenberghe,Convexoptimization.Cambridge university press,2004.]，可以得到如下公式：
Figure GDA0003286962090000154
通过求解方程组，可以得到等待卸载的子任务rv的无线带宽分配的最优解，如下所示：
Figure GDA0003286962090000161
MEC服务器的计算资源分配
关于变量Y的第三个子模型涉及MEC服务器的计算资源分配，公式如下：
Figure GDA0003286962090000162
其中
Figure GDA0003286962090000163
分别代表子任务rv卸载给MEC服务器m的计算延迟和计算花费，与子模型Eq.(15)类似，子模型Eq.(19)也可以分解为多个简单模型，每个模型只与一个MEC服务器m相关联，如下所示。
Figure GDA0003286962090000164
其中
Figure GDA0003286962090000165
表示与MEC服务器m关联的Y中的变量。基于KKT条件，我们可以得到两个备选解。对于第一种情况，其中对偶变量λm＝0，其解如下所示：
Figure GDA0003286962090000166
其中ωm表示从MEC服务器m租用计算资源的单位成本，对于第二种情况：对偶变量λm≠0，其解如下所示：
Figure GDA0003286962090000171
其中，变量λm可以通过二分法快速求解。显然，第三个子模型的最优解是方程Eq.(21)和Eq.(22)中两个解中的一个。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (4)

1.一种基于移动边缘计算的车联网数据驱动任务卸载系统的卸载方法，其特征在于：卸载方法在车联网数据驱动任务卸载系统上实现；
所述车联网数据驱动任务卸载系统，其特征在于，包括：应用层、车辆层、MEC层和云层；
所述应用层包括：数据感知管理模块、ITS服务管理模块、道路安全管理模块；
ITS服务管理模块包括：交通信号控制、异常车辆检测和交通流预测；ITS服务是数据驱动的任务，需要处理分布在道路网络中的感知车辆收集的交通数据；基于数据分布，将数据驱动任务划分为多个子任务；每个子任务与感知车辆感知到的一组交通数据相关联，并且可以并行处理；只有计算了所有子任务的结果后，才能完成任务；
数据感知管理模块包括：压缩感知、异常数据检测、用户认证和隐私保护；数据感知管理模块对收集来的数据进行分析和处理；其中，压缩感知能够以低采样频率来重建稀疏信号；异常数据检测能够对车联网中的数据进行检测，去除异常危险数据并且提高信息精度，以保证相关设备的安全；用户认证和隐私保护来保证车联网中信息的可认证性、完整性、不可否认性和私密性；
道路安全管理模块包括：气象信息采集、交通信息采集和紧急信息采集；道路安全管理模块能够提高安全管理的自动化水平，实现对道路交通的实时监控，降低道路安全事故的发生率；其中，气象信息采集用于采集实时的气象状况，对道路行驶速度做出限制；交通信息包括车辆占有率、道路交通量、车头时距、车长、车速和交通密度，通过对这些交通信息的采集,能够为道路使用情况分析提供有力的依据；道路交通运行过程中,有时会遇见紧急情况,主要包括交通事故和自然灾害，通过对此类紧急信息的收集，能够提醒附近车辆，有效缓解交通拥堵和避免人员伤亡；
所述车辆层包括：感知车辆和计算车辆；
感知车辆配备了传感器，能够收集交通数据，可以缓存与几种类型的子任务相关联的数据集，这些数据集必须通过无线通信卸载到附近的计算服务器进行处理；
计算车辆用于提供计算服务；计算车辆拥有一个处理器，为V2V通信范围内的子任务进行计算；每次最多允许一个子任务卸载到一辆计算车辆上；
所述MEC(移动边缘计算)层包括：MEC服务器和RSU(路侧单元)；
MEC服务器配备了一个计算服务器并部署在RSU附近；MEC服务器同时扮演两个角色：计算服务器和本地调度器；作为计算服务器，MEC服务器能够同时处理通过V2I无线通信卸载的多个等待任务；由于车辆的移动性，子任务必须在V2I连接时间内完全上传；作为本地调度器，MEC服务器负责对每个子任务做出卸载决策，包括卸载服务器的选择、无线带宽和计算资源的分配，其中MEC服务器通过检测感知车辆定期广播的心跳消息检索相关任务信息；
所述云层包括：云服务器和主干网，云服务器部署在主干网中，车辆可以通过蜂窝接口将其子任务卸载到云服务器；对于V2I覆盖范围之外的子任务，或者在与MEC服务器或计算车辆的连接时间内未能完成上传的子任务，它们必须选择云作为卸载服务器；
所述卸载方法包括以下步骤：
步骤1，DQN模型中强化学习的基本元素设计；
a.系统状态：由于V2V通信范围有限，假设每个感知车辆最多有n辆计算车辆可供卸载；然后，将当前等待卸载的子任务rv在时间t的系统状态定义为多维向量，其公式如下：
Figure FDA0003318316400000031
其中，
Figure FDA0003318316400000032
和
Figure FDA0003318316400000033
表示rv的数据量大小和所需的计算资源；Dtotal表示调度前等待卸载的子任务的总数据量，Dload表示已经卸载到m的工作负载，bm,fm分别代表MEC服务器的总带宽和总计算资源，
Figure FDA0003318316400000034
分别是第i个计算车辆v′的带宽和计算资源；
b.动作空间：它被定义为可用于等待卸载的子任务rv的候选计算服务器集；具体来说，采用one-hot编码来表示动作，该动作被表示为一个n+2维二进制向量，如等式所述：
Figure FDA0003318316400000035
其中
Figure FDA0003318316400000036
表示子任务rv是否卸载，上标m,c,vi′分别表示对MEC服务器m,云和第i个计算车辆v′的卸载选择，该值等于1表示选择它进行卸载，等于0表示不选择；
c.奖励函数：奖励函数的基本原理是，行动所带来的服务时间和成本越低，奖励就越高；如果子任务能够在连接时间内成功完成，则奖励被定义为子任务的服务时间和成本的加权和与常数M1倒数的乘积；否则，奖励被定义为负值，表示惩罚，用-M2表示；奖励函数的公式如下：
Figure FDA0003318316400000037
其中
Figure FDA0003318316400000038
分别表示子任务rv的服务延迟和服务花费，
Figure FDA0003318316400000039
表示子任务rv卸载给计算车辆v′或MEC服务器m的服务延迟，lv{v′,m}代表了感知车辆v与计算车辆v′或MEC服务器m的连接时间，η1,η2是服务延迟和服务花费的权重；
步骤2，基于凸优化的最优资源分配；
基于ADQN，可以预先得到所有子任务的卸载选择A；因此，无线资源的优化模型只与资源分配有关，可以定义为如下；
Figure FDA0003318316400000041
其中，X,Y,F分别代表MEC服务器的带宽资源分配X、计算资源分配Y以及云的计算资源分配F；
Figure FDA0003318316400000042
表示MEC服务器m为rv分配的无线V2I带宽比率，
Figure FDA0003318316400000043
表示m分配给rv的计算资源比率，tm是m的处理器的数量，
Figure FDA0003318316400000044
代表云分配给rv的计算资源；Eq.(1a)表示分配的带宽总和不能超过总的带宽，Eq.(1b)意味着分配的计算资源总和不能超过m的最大计算能力，||R||表示任务的数量，R表示数据驱动任务集，r表示某个任务。
2.根据权利要求1所述的卸载方法，其特征在于：
云的计算资源分配：
关于F的第一个子模型涉及云的计算资源分配，其公式如下：
Figure FDA0003318316400000045
其中ωc表示从云租用计算资源的单位成本，通过找到梯度g1等于零的解，即
Figure FDA0003318316400000046
可以得到最优解；为每个卸载到云的rv分配的最佳计算资源可以通过下式计算得出：
Figure FDA0003318316400000051
其中Vr表示感知车辆集合。
3.根据权利要求2所述的卸载方法，其特征在于：
无线带宽资源分配：
关于变量X的第二个子模型涉及无线V2I带宽分配，其公式如下：
Figure FDA0003318316400000052
其中
Figure FDA0003318316400000053
表示子任务rv上传给MEC服务器m的传输时间，||r||表示子任务的数量，可以观察到与MEC服务器相关的变量是相互独立的，子模型Eq.(4)可以进一步划分为多个简单模型，每个模型只与一个MEC服务器m相关，如下所述:
Figure FDA0003318316400000054
其中，Rm表示MEC服务器m覆盖范围内的所有子任务，Xm表示与MEC服务器m关联的X中的变量；显然，等式Eq.(5)中的目标是凸的，等式Eq.(5)中的约束是线性的；因此，Eq.(5)是一个凸优化模型；根据KKT条件，得到如下公式：
Figure FDA0003318316400000055
通过求解方程组，可以得到每个等待卸载的子任务rv的无线带宽分配的最优解，如下所述：
Figure FDA0003318316400000061
其中Pv表示车辆v的传输功率，gmv表示车辆v和服务器m之间的功率增益。
4.根据权利要求3所述的卸载方法，其特征在于：
MEC服务器的计算资源分配；
关于变量Y的第三个子模型涉及MEC服务器的计算资源分配，公式如下：
Figure FDA0003318316400000062
其中
Figure FDA0003318316400000063
分别代表子任务rv卸载给MEC服务器m的计算延迟和计算花费，与子模型Eq.(4)类似，子模型Eq.(8)也可以分解为多个简单模型，每个模型只与一个MEC服务器m相关联，如下所述；
Figure FDA0003318316400000064
其中
Figure FDA0003318316400000065
表示与MEC服务器m关联的Y中的变量；基于KKT条件，我们可以得到两个备选解；对于第一种情况，其中对偶变量λm＝0，其解如下所述：
Figure FDA0003318316400000071
其中ωm表示从MEC服务器m租用计算资源的单位成本，对于第二种情况：
对偶变量λm≠0，其解如下所述：
Figure FDA0003318316400000072
其中，变量λm可以通过二分法快速求解出来；显然，第三个子模型的最优解是方程Eq.(10)和Eq.(11)中两个解中的一个。
CN202011277394.7A 2020-11-16 2020-11-16 基于移动边缘计算的车联网数据驱动任务卸载系统和方法 Active CN112188442B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011277394.7A CN112188442B (zh) 2020-11-16 2020-11-16 基于移动边缘计算的车联网数据驱动任务卸载系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011277394.7A CN112188442B (zh) 2020-11-16 2020-11-16 基于移动边缘计算的车联网数据驱动任务卸载系统和方法

Publications (2)

Publication Number Publication Date
CN112188442A CN112188442A (zh) 2021-01-05
CN112188442B true CN112188442B (zh) 2021-12-07

Family

ID=73918553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011277394.7A Active CN112188442B (zh) 2020-11-16 2020-11-16 基于移动边缘计算的车联网数据驱动任务卸载系统和方法

Country Status (1)

Country Link
CN (1) CN112188442B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112685186B (zh) * 2021-01-08 2023-04-28 北京信息科技大学 一种计算任务的卸载方法、装置、电子设备及存储介质
CN112732442B (zh) * 2021-01-11 2023-08-25 重庆大学 一种边缘计算负载均衡的分布式模型及其求解方法
CN112887272B (zh) * 2021-01-12 2022-06-28 绍兴文理学院 一种传感边缘云任务卸载中挖矿攻击面控制装置及方法
CN112929412B (zh) * 2021-01-22 2022-03-11 山东大学 一种基于mec单车单小区的联合带宽分配与数据流卸载方法、设备及存储介质
CN112887905B (zh) * 2021-01-29 2022-05-03 重庆邮电大学 一种车联网中基于周期性资源调度的任务卸载方法
CN113238814B (zh) * 2021-05-11 2022-07-15 燕山大学 基于多用户和分类任务的mec任务卸载系统及优化方法
CN113470354A (zh) * 2021-06-24 2021-10-01 上海智能网联汽车技术中心有限公司 全天候路测感知系统
CN113377547B (zh) * 2021-08-12 2021-11-23 南京邮电大学 一种5g边缘计算环境下计算任务智能卸载和安全保障方法
CN114143346B (zh) * 2021-11-29 2022-11-29 广东工业大学 一种车联网任务卸载和服务缓存的联合优化方法及系统
CN114285847A (zh) * 2021-12-17 2022-04-05 中国电信股份有限公司 数据处理、模型训练方法及装置、电子设备、存储介质
CN114363857B (zh) * 2022-03-21 2022-06-24 山东科技大学 一种车联网中边缘计算任务卸载方法
CN115065727B (zh) * 2022-05-19 2023-08-22 南京邮电大学 一种基于边缘计算场景的任务卸载方法
CN114912532B (zh) * 2022-05-20 2023-08-25 电子科技大学 一种自动驾驶汽车多源异构感知数据融合方法
CN115002123B (zh) * 2022-05-25 2023-05-05 西南交通大学 基于移动边缘计算的快速适应任务卸载系统和方法
CN115359652B (zh) * 2022-07-07 2024-04-19 华中科技大学 基于车路协同的自动驾驶视频分析任务调度方法及介质
CN115297171B (zh) * 2022-07-08 2023-05-30 南京邮电大学 一种蜂窝车联网分级决策的边缘计算卸载方法及系统
CN115988462B (zh) * 2023-03-17 2023-06-30 中电建市政建设集团山东工程有限公司 一种基于车路协同的边缘计算模块的调试方法
CN117202242B (zh) * 2023-11-08 2024-02-06 南京邮电大学 一种基于粒子滤波模型的车联网中节点失效检测方法
CN118042495B (zh) * 2024-04-12 2024-06-21 华东交通大学 超密集网络中加压安全计算卸载与资源优化方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110312231A (zh) * 2019-06-28 2019-10-08 重庆邮电大学 一种车联网中基于移动边缘计算的内容缓存决策和资源分配联合优化方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10659526B2 (en) * 2018-01-03 2020-05-19 Verizon Patent And Licensing Inc. Edge compute systems and methods
CN109769205A (zh) * 2018-12-17 2019-05-17 西南交通大学 基于异构车联网的合作式数据分发系统及数据分发方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110312231A (zh) * 2019-06-28 2019-10-08 重庆邮电大学 一种车联网中基于移动边缘计算的内容缓存决策和资源分配联合优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Development of a Platform at the Matter in Extreme Conditions End Station for Characterization of Matter Heated by Intense laser-accelerated protons;Krish Bhutwala;《IEEE TRANSACTIONS ON PLASMA SCIENCE》;20200831;第48卷(第8期);第2751-2758页 *

Also Published As

Publication number Publication date
CN112188442A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN112188442B (zh) 基于移动边缘计算的车联网数据驱动任务卸载系统和方法
CN110035410B (zh) 一种软件定义车载边缘网络中联合资源分配和计算卸载的方法
CN110941667A (zh) 一种移动边缘计算网络中的计算卸载方法及系统
CN109905470A (zh) 一种基于边缘网关系统的开销优化任务调度方法
CN113207136B (zh) 一种联合优化计算卸载和资源分配的方法及装置
CN113286329B (zh) 基于移动边缘计算的通信和计算资源联合优化方法
CN113918240B (zh) 任务卸载方法及装置
CN113254188B (zh) 调度优化方法和装置、电子设备及存储介质
CN112188627B (zh) 一种基于状态预测的动态资源分配策略
CN114650228A (zh) 一种异构网络中基于计算卸载的联邦学习调度方法
CN114143346A (zh) 一种车联网任务卸载和服务缓存的联合优化方法及系统
CN112214301B (zh) 面向智慧城市基于用户偏好的动态计算迁移方法及装置
CN112511614B (zh) 基于强化学习的车载边缘环境下智能网联车辆任务卸载方法
CN112153145A (zh) 5g边缘环境下面向车联网的计算任务卸载方法及装置
CN114520768A (zh) 一种用于工业物联网中随机任务的ai卸载优化方法
CN113128681B (zh) 一种多边缘设备辅助的通用cnn推理加速系统
CN113315669B (zh) 基于云边协同的吞吐量优化的机器学习推断任务部署方法
CN114422349A (zh) 基于云边端协同的深度学习模型训练和推理架构部署方法
CN115037751A (zh) 一种无人机辅助的异构车联网任务迁移与资源分配方法
CN116916386A (zh) 一种考虑用户竞争和负载的大模型辅助边缘任务卸载方法
CN112612553A (zh) 一种基于容器技术的边缘计算任务卸载方法
CN110290539A (zh) 基于用户移动感知和资源预留的移动增强现实应用的资源分配装置及其工作方法
CN113821346A (zh) 基于深度强化学习的边缘计算中计算卸载与资源管理方法
CN116760722A (zh) 一种存储辅助mec任务卸载系统及资源调度方法
CN116996941A (zh) 基于配网云边端协同的算力卸载方法、装置及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant